我们正在使用resp。制造某种设备，其中包括测量液体的湿度。一位同事问我使用两个传感器而不是一个传感器是否有意义（竞争对手显然正在这样做）。主要是统计方式。
我的想法是： 冗余：从技术上讲，只是一个备份。或者使用提供更有意义的测量值的测量值（但我想这是不可能的，因为你怎么知道哪个（更）真实？）。
统计上：使用两者的平均值。甚至可能使用传感器指定的重量（尽管我不会）。可以定义一种传感器必须在其中的偏差带。如果他们的信号差异太大，人们就会知道发生了什么事。
是否有一些事实通过从一个传感器变为两个而得到改善？我会说，例如，信心正在增加，但我不知道如何强调这一点（统计上）。最后，我只想说：越多越好。不幸的是，这不是可靠的论据。
直观地说，如果传感器的噪声和测量误差是独立的并且均值为零，那么使用多个传感器将提高信噪比，因为随着传感器数量的增加，噪声和误差往往会相互抵消。
机器学习中的集成概念有一个有趣的相似之处：对多个模型的输出进行平均将出于类似原因提高准确性（它们减少了单个模型中固有的方差）。
因此，您可以检查集成预测方法的数学基础，以找出与使用多个传感器类似的数学理由。例如，看看随机森林如何作为高方差决策树的集合工作。
但是，但是……这只有在噪声和误差是独立的且均值为零的情况下才有效。通常在实验室和工业仪器情况下，噪声和误差有一些系统性环境原因，或者是由于测量过程中的缺陷导致您的模型出现非零均值偏差，因此有必要进行更深入的分析，而不是简单地平均多个审查员的输出。
通过卡尔曼滤波器进行的传感器融合需要 2 个（或更多）单独的测量值，将它们组合在滤波器计算中，并输出更平滑/更准确的底层测量值。